针对液压泵振动信号通常具有非线性强与信噪比低的特点,提出了基于局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)与JRD(Jensen-Renyi Divergence)距离的液压泵性能退化状态识别方法。该方法首先对原始振动信号进行局部特征尺度分解,得到不同特征尺度下的内禀尺度分量(Intrinsic Scale Component,ISC);然后,提取包含主要退化特征信息的ISC分量的Renyi熵,以此作为退化特征量;最后,通过计算不同特征量之间的JRD距离来判断液压泵的退化状态。将该方法应用于液压泵实测数据,结果表明,基于局部特征尺度分解和JRD距离的退化状态识别方法能够有效识别液压泵的性能退化状态。

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明:所提模型可对轴承剩余寿命进行有效预测且精度较高。

针对起升机构齿轮箱的退化特征提取问题,提出一种基于数学形态分形维数与滑动窗威布尔拟合的退化特征在线提取方法。首先,按照分析周期计算振动能量谱的形态分形维数,形成分形演化曲线;设置滑动窗口宽度与步长,对窗口内的分形序列进行三参数威布尔拟合,以模型的尺度参数作为性能退化特征指标;采用工业现场监测的起升机构齿轮箱全寿命数据作为基础,验证了该方法的有效性。结果表明,数学形态分形维数能够刻画振动能量谱的分形复杂度,威布尔分布的尺度参数能够平滑地反映分形曲线的性能退化趋势,为进一步解决在线健康状态评估问题奠定理论方法基础。

液压泵退化特征提取是实现故障预测的关键环节。在液压泵性能退化过程中，其振动信号复杂度高、非线性强，难以有效地提取退化特征，为此，本文提出一种基于敏感分量融合的退化特征提取方法。采用改进局部特征尺度分解（ILCD）方法对振动信号进行分解，并利用贝叶斯信息准则与所构建的敏感因子，对内禀尺度分量进行筛选，以减少干扰分量的影响，得到敏感分量，有效抓取特征信息；在此基础上，引入离散余弦变换代替传统复合谱分析中的傅里叶变换，提出离散余弦变换一复合谱（DCS）算法，以解决信息遗漏问题，并利用DCS对敏感分量进行融合，提取复合谱熵作为退化特征，以提高对退化过程的表征能力；最后，通过对液压泵性能退化试验实测振动信号的应用分析，验证了该方法的有效性。

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题，提出基于形态非抽样融合与DCT（Discrete Cosine Transform）高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法，通过构建特征能量因子筛选各分解层近似信号，据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息；并利用DCT高阶谱分析法对融合信号进一步处理，通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量；用仿真信号及液压泵实测振动信号验证该方法的有效性。

针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析（multi-fractal detrended fluctuation analysis,简称MF-DFA）的液压泵性能退化特征提取方法。首先,引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高了MF-DFA方法的计算精度;然后,利用改进的MF-DFA方法计算液压泵多重分形谱参数,分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α0和多重分形谱宽度Δα作为退化特征量;最后,以液压泵不同退化状态下的实测数据为例验证了该算法的有效性。试验结果表明,该方法能够准确提取液压泵退化特征,提高了退化状态识别的准确率。